AI Showreel l'analyse niveau grand cabinet, pour tout le monde
← La base
Preuve A Vivant confirmé

Walmart

assistant shopping genAI

IndustrieRetail & e-commerceLevierActivation / conversionFamilleConversationImplémentationIA customÉtapeconsideration
Pattern prouvé dans 7 industries encore vierge en Banque, assurance & fintech, Média & entertainment, CPG & D2C +5 Voir la carte du pattern
+35% vs non-utilisateurs
Panier moyen des utilisateurs
"about 35% higher than that of non-users" S1

Les clients de Walmart qui utilisent l'assistant genAI Sparky ont un panier moyen environ 35% plus eleve que les non-utilisateurs, et les unites achetees via Sparky ont plus que quadruple en un trimestre fiscal (earnings call FY2026).

L'essentiel

  • Assistant shopping genAI Sparky, de la recherche par intention aux recommandations.
  • Dispositif LLM et RAG maison sur le catalogue et les avis clients.
  • Panier moyen +35% vs non-utilisateurs, unites achetees plus que quadruplees.
  • Preuve A, statut confirme, present sur app, site et magasins US.

Objectif

Passer d'une recherche par mots-cles a une recherche par intention pour augmenter le panier moyen et la frequence d'usage de l'app.

Le déploiement

Sparky est l'assistant genAI de Walmart, accessible via le bouton Ask Sparky dans l'app puis etendu au site et aux magasins. Le client formule une intention (organiser un anniversaire, choisir une creme solaire sous 30 dollars) et Sparky renvoie des recommandations synthetisees a partir du catalogue et des avis, avec comparaisons produit. Lance la semaine du 6 juin 2025 sur l'app. Fonctions ajoutees ensuite : reapprovisionnement automatique des essentiels, planification de repas et support en espagnol.

Résultats Preuve A

+35% vs non-utilisateurs
Panier moyen des utilisateurs
"about 35% higher than that of non-users" S1
+100% sur le trimestre
Utilisateurs actifs hebdomadaires
"Weekly active users are up over 100%" S1
x4+ vs trimestre precedent
Unites achetees via Sparky
"more than quadrupled since its previous fiscal quarter" S1

Chiffres communiques lors de l'earnings call Walmart (exercice fiscal 2026), rapportes par Digital Commerce 360 et Modern Retail. Metriques rattachees a la communication financiere du groupe.

Comment ça fonctionne

Approche-type inférée

Le détail interne n'est pas public. Voici une approche éprouvée qui mène au même résultat - à adapter à votre stack.

Client app, site oumagasin Assistant Sparky LLM + RAG multimodal Catalogue et avis Walmart Parcours d'achat Walmart

La stack en détail

  • outil Sparky Assistant shopping genAI developpe en interne par Walmart, accessible via le bouton Ask Sparky dans l'app puis sur le site et en magasin.
  • llm LLM de Sparky (modele exact non publie) Walmart ne nomme pas publiquement le modele fondation ; les sources decrivent un dispositif LLM + RAG multimodal in-house.
  • infra RAG sur catalogue et avis clients Walmart La synthese des recommandations s'appuie sur les fiches produit et les avis ; la richesse du catalogue est le facteur limitant.
  • plateforme App et site Walmart Surfaces d'exposition de Sparky, integrees au parcours d'achat (comparaison, ajout panier, reapprovisionnement).

Comment ça tourne, concrètement

Pour les équipes ops
CadenceTemps reel a chaque session, avec suivi des metriques panier et unites par trimestre fiscal.
Opéré parEquipe Emerging Tech et Walmart U.S. (in-house), branchee sur le catalogue et les avis.
  1. 1
    Expression d'intention client

    Le client decrit un besoin ou une occasion via Ask Sparky.

  2. 2
    Synthese et recommandation IA

    Le systeme RAG synthetise avis et fiches, renvoie des recommandations et des comparaisons.

  3. 3
    Actions transactionnelles IA

    Sparky aide a comparer, ajouter au panier et, selon les cas, reapprovisionner des essentiels.

  4. 4
    Lecture des metriques equipe data

    Panier moyen, unites et actifs hebdo sont suivis pour piloter l'extension des capacites.

Le signal qui pilote

L'appariement entre l'intention exprimee en langage naturel et la donnee produit structuree. Si le catalogue n'est pas enrichi, Sparky ne trouve pas le bon produit et l'effet panier disparait.

Comment vos clients perçoivent ce type d'usage

Études sourcées

Les consommateurs n'acceptent pas les chatbots par defaut : 64% prefereraient que les entreprises n'utilisent pas d'IA dans leur service client (Gartner, 2024) et pres d'un utilisateur sur cinq du service client par IA n'en retire aucun benefice (Qualtrics, 2025). L'acceptation se construit sur trois conditions mesurees par Salesforce : savoir qu'on parle a une IA, pouvoir escalader vers un humain, comprendre la logique de l'agent.

64%
Consommateurs qui prefereraient que les entreprises n'utilisent pas d'IA dans leur service client (2024)
53%
Consommateurs qui envisageraient de passer a un concurrent s'ils apprenaient que l'entreprise prevoit d'utiliser l'IA pour le service client (2024)
pres de 75%
Consommateurs qui veulent savoir s'ils communiquent avec un agent IA (2024)

Conditions d'acceptation

  • Etre informe qu'on parle a une IA et non a un humain (pres de 75% le demandent, Salesforce 2024)
  • Un chemin d'escalade clair vers un agent humain (45% plus enclins a utiliser l'agent IA, Salesforce 2024)
  • Une logique de l'agent clairement expliquee (44% plus enclins, Salesforce 2024)

Lignes rouges

  • Rendre l'humain injoignable : c'est la premiere inquietude des consommateurs sur l'IA dans le service client (Gartner 2024) et 50% craignent que l'IA les coupe du contact humain (Qualtrics 2025)
  • Remplacer le service client par l'IA sans alternative : 53% envisageraient de partir chez un concurrent (Gartner 2024)

Sources : Salesforce 2024 · Gartner 2024 · Qualtrics 2025

Voir l'acceptation complète : par pays, par usage, par génération

Comment répliquer

Inférence - non sourcé

Prérequis data

  • catalogue produit enrichi et structure
  • avis clients
  • signaux d'intention par categorie

Prérequis orga

  • equipe IA interne ou partenaire
  • gouvernance de la qualite du catalogue

Stack possible

  • LLM fondation
  • moteur RAG sur catalogue
  • orchestration multimodale texte et image
Équipe pour opérer1 PM + 3-4 ingenieurs (LLM/RAG, app) + equipe catalogue/contenu + 1 data analyst pour la mesure

Le plan, étape par étape

  1. Étape 1
    Auditer la richesse du catalogue (attributs, specs, avis) categorie par categorie.Livrable : Rapport de couverture + plan d'enrichissement des fiches produit.
  2. Étape 2
    Construire le RAG catalogue + avis et un premier assistant sur quelques categories bien couvertes.Livrable : Prototype qui repond a des intentions types (occasion, budget, contrainte).
  3. Étape 3
    Lancer la beta in-app avec un point d'entree dedie sur un segment d'utilisateurs.Livrable : Mesures panier moyen et engagement, utilisateurs vs non-utilisateurs.
  4. Étape 4
    Ajouter les actions transactionnelles (comparaison, ajout panier).Livrable : Assistant transactionnel integre au checkout.
  5. Étape 5
    Etendre les capacites (reapprovisionnement, langues) selon les metriques.Livrable : Roadmap arbitree par panier moyen, unites et actifs hebdo.

Première étape : Auditer la richesse du catalogue (specs, attributs, avis) avant de brancher un assistant, car c'est le facteur limitant.

Sources

  1. S1 Walmart credits Sparky AI agent with lifting AOV, unit sales growth Secondaire digitalcommerce360.com · 2026-05-22 · consulté le 2026-07-11 archive à générer
  2. S2 Walmart says AI users build 35% bigger baskets than others Secondaire modernretail.co · 2026 · consulté le 2026-07-11 archive à générer
  3. S3 Walmart: The Future of Shopping Is Agentic. Meet Sparky. Primaire corporate.walmart.com · 2025-06-06 · consulté le 2026-07-11 archive à générer